VIGAN：基于生成对抗网络的缺失视图插补
计算机视觉与模式识别
2017-11-02 v5 机器学习
摘要
在大数据日益普及的时代，人们关注的重点已从数据数量转向数据的质量与完整性。在许多学科中，数据源自异构来源，从而形成多视图或多模态数据集。缺失数据问题一直是多视图数据分析中的难点。特别是当某些样本缺失整个视图的数据时，便产生了缺失视图问题。经典的多次插补或矩阵补全方法在此类情况下往往难以奏效，因为特定视图中缺乏可用于插补的信息。常用的简单方法——直接删除缺失视图的样本——会大幅减少样本量，从而削弱后续分析的统计效力。本文提出了一种基于生成对抗网络（GAN）的新型视图插补方法，命名为 VIGAN。该方法首先将每个视图视为独立域，利用从各视图随机采样的数据，通过 GAN 识别域到域的映射；随后采用多模态去噪自编码器（DAE），基于跨视图的配对数据，从 GAN 输出中重构缺失视图。通过联合优化 GAN 与 DAE，我们的模型实现了域映射与视图对应关系的知识融合，从而有效恢复缺失视图。在基准数据集上的实证结果通过与最先进方法的对比验证了 VIGAN 的有效性。此外，在物质使用障碍的遗传学研究中对 VIGAN 的评估进一步证明了该方法在生命科学中的有效性与实用性。
引用
@article{arxiv.1708.06724,
title = {VIGAN: Missing View Imputation with Generative Adversarial Networks},
author = {Chao Shang and Aaron Palmer and Jiangwen Sun and Ko-Shin Chen and Jin Lu and Jinbo Bi},
journal= {arXiv preprint arXiv:1708.06724},
year = {2017}
}
备注
10 pages, 8 figures, conference